go int32不能打印0_Go 语言部署TensorFlow机器学习模型

Python 是当下最流行的机器学习语言，大多数机器学习从业者都是直接使用 Python 工作，所以有很多开源的资源可以使用。而Go 语言的速度很快，能很好地处理并发，可以编译成单一的二进制文件。所以在实际开发时我们往往想利用二者的优势，用Python做模型训练，用Go做预测服务。

GO语言TensorFlow环境配置，之前已经有介绍 Go TensorFlow 环境配置

那么今天我们就来实现Go 语言部署Python 训练机器模型。

首先需要注意Python模型保存时需要保存为指定的格式：

from tensorflow.python.saved_model.builder_impl import SavedModelBuilder
with tf.Session() as session:  
    # 训练模型操作。。。
    
    # 保存模型
    builder = SavedModelBuilder("存储路径")
    # 保存时需要定义tag
    builder.add_meta_graph_and_variables(session, ["tag"])
    builder.save()

Go语言运行模型，

具体代码：

package main

import (
	"fmt"
	tf "github.com/tensorflow/tensorflow/tensorflow/go"
)

func main() {
	m, err := tf.LoadSavedModel("modelPath", []string{"modelTag"}, nil) // 载入模型
	if err != nil {
		// 模型加载失败
		fmt.Printf("err: %v", err)
	}
	// 打印出所有的Operator
	for _, op := range m.Graph.Operations() {
		fmt.Printf("Op name: %v", op.Name())
	}
	// 构造输入Tensor。根据你的模型入参格式来定义
	x := [1][8]int32{
		{0,1,2,3,4,5,6,7},
	}
	tensor_x, err := tf.NewTensor(x)
	if err != nil {
		fmt.Printf("err: %s", err.Error())
		return
	}
	kb, err := tf.NewTensor(float32(1))
	if err != nil {
		fmt.Printf("err: %s", err.Error())
		return
	}
	s := m.Session
	feeds := map[tf.Output]*tf.Tensor{
		// operation name 需要根据你的模型入参来写
		m.Graph.Operation("input_x").Output(0): tensor_x,
		m.Graph.Operation("keep_prob").Output(0): kb,
	}
	fetches := []tf.Output{
		// 输出层的name 也要根据你的模型写
		m.Graph.Operation("score/ArgMax").Output(0),
	}
	result, err:= s.Run(feeds, fetches,nil)
	if err != nil {
		// 模型预测失败
		fmt.Printf("err: %s  ", err.Error())
	}
	fmt.Printf("%#v", result)
}

需要注意的是：

1. 载入模型时，需要传参：模型保存路径，Python保存模型时定义的Tag。这里tag 需要为[]string{}类型。
2. 模型入参需要通过tf.NewTensor() 转为Tensor；
3. 输入输出节点操作名称需要根据Python定义的模型操作节点名称填写；
4. 输出节点和Python类似，可以传递多个操作名获取多个值。

【来思Go】，Let's Go！欢迎关注留言交流学习！